طراحي مدلي جهت پيش بيني بازده شاخص بورس (با تاكيد بر مدل هاي تركيبي شبكه عصبي و مدل هاي با حافظه بلندمدت)

(Designing a model for forecasting the return of the stock index (with emphasis on neural network combined models and long-term memory models

اين پژوهش به معرفي ‌مدل‌هايي از تركيب خانواده GARCH و شبكه عصبي مصنوعي، جهت پيش‌بيني بازدهي روزانه شاخص بورس اوراق بهادار تهران طي فاصله زماني 1396-1387 مي‌پردازد. وجود ويژگي ‌حافظه ‌بلندمدت‌ در واريانس ‌شرطي بازدهي شاخص كل بورس موجب شده تا ‌علاوه‌ ‌بر ‌مدل‌هاي ‌داراي ‌حافظه ‌كوتاه‌مدت GARCH و EGARCH در اين ‌پژوهش از مدل‌هاي FIGARCH و FIEGARCH كه داراي ويژگي حافظه بلندمدت هستند؛ استفاده ‌گردد. علاوه بر بكارگيري مدل‌هاي حافظه كوتاه‌مدت، با توجه به كارايي بهتر مدل‌هاي تركيبي (در مقايسه با مدل‌هاي فردي) در پيش‌بيني داده‌هاي مالي، در اين مطالعه، تمامي مدل‌هاي خانواده GARCH (اعم از كوتاه‌مدت و بلندمدت) با شبكه عصبي مصنوعي تركيب و با استفاده از مدل‌هاي تركيبي حاصل‌شده، بازده شاخص بورس براي 10 روز آينده به‌صورت گام‌به‌گام پيش‌بيني و دقت آن براساس معيارهاي ارزيابي مورد بررسي قرار گرفت. يافته‌هاي تحقيق نشان داد كه مدل‌ تركيبي FIEGARCH- شبكه عصبي با توزيع تي- استيودنت در پيش‌بيني بازده شاخص كل سهام كارآمدتر و داراي خطاي پيش‌بيني ‌كمتري نسبت به ساير مدل‌هاي رقيب است.

This study presents the new hybrid network of GARCH family and an artificial neural network to predict the Tehran Stock Exchange index during the period of 2008-2017. The existence of long-term memory in the conditional variance of the Tehran stock returns causes use in addition GARCH and EGARCH models with short- memory, long-term memory models. In addition to long-term memory models, considering the better performance of hybrid models in predicting financial data of the Garch family models (short and long-term) are combined with the artificial neural network. Using hybrid models the return of stock index was forecast for the next 10 days and its accuracy was evaluated using the evaluation criteria. The results showed that the hybrid FIEGARCH with the student-t distribution model was more efficient in forecasting return of stock and had a lower forecast error than others models.